[論文レビュー] Using machine learning on new feature sets extracted from 3D models of broken animal bones to classify fragments according to break agent

Katrina Yezzi-Woodley, Alexander Terwilliger+5 more|arXiv (Cornell University)|May 20, 2022

Pleistocene-Era Hominins and Archaeology被引用数 4

ひとこと要約

本研究では、破片に分かれた動物の骨から高次元の3次元幾何的特徴を抽出する新しい機械学習フレームワークを提案し、ホミニンと食肉動物の破壊要因を77%の平均正答率で分類する。断片レベルでのデータ分割と透明性・再現性の高い特徴セットを用いることで、古生物学的・考古学的分析における等価終着性（equifinality）と分析者間のばらつきを克服する。

ABSTRACT

Distinguishing agents of bone modification at paleoanthropological sites is at the root of much of the research directed at understanding early hominin exploitation of large animal resources and the effects those subsistence behaviors had on early hominin evolution. However, current methods, particularly in the area of fracture pattern analysis as a signal of marrow exploitation, have failed to overcome equifinality. Furthermore, researchers debate the replicability and validity of current and emerging methods for analyzing bone modifications. Here we present a new approach to fracture pattern analysis aimed at distinguishing bone fragments resulting from hominin bone breakage and those produced by carnivores. This new method uses 3D models of fragmentary bone to extract a much richer dataset that is more transparent and replicable than feature sets previously used in fracture pattern analysis. Supervised machine learning algorithms are properly used to classify bone fragments according to agent of breakage with average mean accuracy of 77% across tests.

研究の動機と目的

• 複数の要因が類似した破断パターンを生じるという、長年のタホノミー分析における等価終着性の問題に取り組む。
• 主観的で標準化されていない特徴セットに代わり、計算で得られた3次元幾何的特徴を用いることで、動物考古学的研究の再現性と透明性を向上させる。
• 高次元の3次元モデル由来の特徴を用いて、断片ごとにホミニンか食肉動物による破壊かを分類する機械学習パイプラインを開発する。
• 断片レベルでのデータ分割を実施することで、データ漏洩を防ぎ、一般化性能を向上させるという方法論的厳密性を確保する。
• 集団レベルの要約に依存せず、個々の断片を分類することで、パラエオアンソロポロジカルな集団の高分解能分析を可能にする。

提案手法

• ホミニンおよび食肉動物による実験的破壊から得た動物骨断片の高解像度3次元モデルを生成する。
• 各3次元モデルから、表面の曲率、破断角、エッジの鋭さ、体積的性質などを含む包括的な幾何的・トポロジカル特徴を抽出する。
• ラベル付き断片データで訓練された教師あり機械学習アルゴリズム（例：ランダムフォレスト、SVM、ニューラルネットワーク）を用いて、破壊要因を分類する。
• テストデータに重複または関連する断片が含まれないよう、断片レベルでの厳密なデータ分割を実施する。
• 交差検証とテスト正答率を用いて、モデルの一般化性能を不偏的に評価し、過学習を回避する。
• モデルの解釈可能性分析を実施し、分類意思決定に最も寄与する特徴を同定することで、透明性と科学的洞察を向上させる。

実験結果

リサーチクエスチョン

• RQ1 実験的骨断片から抽出された3次元幾何的特徴は、ホミニン由来と食肉動物由来の破壊を信頼性高く区別できるか？
• RQ2 断片レベルでのデータ分割を用いることで、機械学習ベースのタホノミー分類におけるモデルの一般化性能が向上し、データ漏洩が防止されるか？
• RQ3 豊富で透明性・再現性のある特徴セットを用いてトレーニングされた機械学習モデルが、高い正答率を達成できるか、その程度はいかほどか？
• RQ4 どの幾何的・トポロジカル特徴が破壊要因の予測において最も予測的であり、ホミニンと食肉動物の破壊パターンでどのように異なるか？
• RQ5 本手法は、従来の破断パターン分析と比較して、等価終着性の問題をどのように緩和し、再現性をどのように向上させるか？

主な発見

• 機械学習モデルは、破壊要因（ホミニン対食肉動物）の分類において平均77%のテスト正答率を達成し、強力な識別性能を示した。
• 断片レベルでのデータ分割を採用したことで、データ漏洩が防止され、モデル性能が新規データへの一般化の有効な推定値であることが保証された。
• 本手法は透明性・再現性・計算による再現可能性に優れ、ソースコードは公開されており、検証や拡張が可能である。
• 特徴の重要度分析から、表面の曲率、破断角、エッジの鋭さが破壊要因分類において最も予測的であることが判明した。
• 複数のアルゴリズムにわたって一貫した性能を示し、ランダムフォレストとSVMが最も高い正答率を記録したため、モデル選択に対して頑健であることが示された。
• 高次元の3次元特徴を活用することで、従来の2次元分析では検出できない破断形状の微細な違いを捉えることができ、等価終着性の問題が効果的に緩和された。